La société britannique DeepMind, qui a rejoint Google en 2014, travaille constamment à l'amélioration de l'intelligence artificielle. En juin 2018, ses employés ont présenté un réseau de neurones capable de créer des images 3D à partir d'images 2D. En octobre, les développeurs sont allés plus loin: ils ont créé un réseau de neurones BigGAN pour générer des images de la nature, des animaux et des objets difficiles à distinguer des vraies photographies.
Comme pour d'autres projets d'imagerie artificielle, cette technologie est basée sur un réseau neuronal antagoniste génératif. Rappelons qu'il se compose de deux parties: un générateur et un discriminateur. Le premier crée des images et le second évalue leur similitude avec les échantillons du résultat idéal.
Dans ce travail, nous voulions brouiller la ligne entre les images générées par l'IA et les photographies du monde réel. Nous avons constaté que les méthodes de génération existantes sont suffisantes pour cela.
Différents ensembles d'images ont été utilisés pour apprendre à BigGAN à créer des images de papillons, de chiens et de nourriture. Tout d'abord, la formation était basée sur la base de données ImageNet, puis sur le plus grand ensemble JFT-300M de 300 millions d'images, divisé en 18 000 catégories.
La formation BigGAN a duré 2 jours. Il a fallu 128 processeurs Google Tensor spécialement conçus pour l'apprentissage automatique.
Des professeurs de l'Université écossaise Heriot-Watt ont également participé au développement du réseau neuronal. Des détails sur la technologie sont décrits dans l'article Formation
réseau neuronal antagoniste génératif à grande échelle GAN pour la synthèse d'images naturelles haute fidélité ».
Vidéo promotionelle:
En septembre, des chercheurs de l'Université Carnegie Melon ont utilisé des réseaux neuronaux antagonistes génératifs pour créer un système de superposition d'expressions faciales sur les visages des autres.
Ramis Ganiev
